随着低剂量胸部CT的推广和常规临床CT检查的增多，偶发肺结节的发现率显著上升，但绝大多数结节为良性。肺癌作为死因首位的恶性肿瘤，早期诊断获益巨大，肺癌筛查试验已证实CT筛查能降低肺癌相关死亡率。然而，极具临床挑战的是肺结节的良恶性鉴别，传统依据结节大小、形态、部位及生长速率等指标，辅以多种临床风险评估工具（如Brock模型），但其准确率尚有限，尤其在异质性的临床常规环境中表现仍有待验证。 近年来，基于深度学习的AI模型在肺结节恶性风险评估中显示出优异的性能，常见于筛查队列研究。但筛查与临床诊疗人群存在患者组成复杂性、致病谱和CT扫描参数多样性的差异，尚不明确这些AI模型直接在临床偶发结节中的适用性。 发表在European Radiology杂志的一项研究，评估了一款此前在肺癌筛查人群中训练与验证的深度学习模型，用于预测偶发性肺结节的恶性风险，在真正临床环境中的效能和实用价值。研究采用回顾性数据集，纳入大小介于5-15毫米的偶发肺结节，比较DL模型与广泛应用的Brock模型的性能差异。研究不仅分析诊断准确性，也对模型预测风险的校准程度进行了探讨，最终提出在临床实践中DL模型需结合校准策

Tags： Eur Radiol：筛查训练的深度学习模型在临床偶发肺结节评估中的效能